Comme vous le saviez dans la vie quotidienne chacun de nous utilise son expertise à chaque moment et il coopère avec les autres êtres humains (agents) pour réaliser des taches. La majorité de nous fait cela sans faire attention. Par exemple dans la conduite chaque conducteur à le savoir de conduire une voiture (simple connaissance) mais en voyant la totalité des voitures qui circulent dans la route, et en pensant un instant: Est-ce qu’un seul conducteur peut faire cela seul ? Jamais même un système très sophistiqué va avoir les mains croisées devant ce problème. Élargissant un peu notre imagination, et on peut voir que notre société est un grand système multi-agents ou chaque individus est un expert dans un domaine qui n’est pas obligatoirement pour l’autre individu de le connaitre car il y a forcément des autres qui le sont. Donc c’est une sorte d’intelligence distribué. Le classifieur développé s’inspire de cette structure, en utilisant ce principe pour renforcer la précision de la classification.
Ainsi, comme première étape le classifieur, va créer des réseaux de neurones de types MLP figure (4.5) avec un nombre aléatoire de neurones cachées. Ces réseaux constitueront par la suite l’expertise des agents ou bien leurs connaissances
Figure 4.5. Exemple d’un réseau de neurones utilisé
La réalisation du logiciel a été faite en utilisant le langage JAVA avec l’IDE netbeans. Pour faire cela on a fait appel à l’api ENCOG [64] qui est une librairie java destinée pour le développement des applications réseaux de neurones. Elle contient différents réseaux de neurones connus.
87 Classification du signal ECG, avec SMA neuronale |2012.
Bidirection Associate Memory (BAM)
The Boltzmann Machine
Feed Forward Neural Network
Feedforward Radial Basis Function (RBF)
Self Organizing Map (SOM)
Hopfield Neural Network
Probabilistic (PNN)
Simple Recurrent Network (SRN)
Support Vector Machine (SVM)
Et leurs différents algorithmes d’apprentissage associés.
Apres la création des réseaux et leurs attributions aux agents On va dérouler notre algorithme de classification.
D’une manière informelle, voir figure (4.6), chaque battement est un agent malade qui va consulter un médecin qui est l’agent expert. L’agent malade interroge l’agent expert sur son état. Cependant, pour qu’il confirme mieux il doit prendre les avis de plusieurs médecins et les stockent dans une mémoire, pour finalement prendre une décision sur sa maladie. Ils existent plusieurs méthodes dans la littérature pour faire une décision, pour notre cas on a opté pour la méthode de vote [65]. Le vote est établi en interrogeant trois agents. Ce choix est fait empiriquement on a constaté que l’augmentation de nombres d’agents n’aboutit pas à un taux de classification meilleur.
Cette méthode est formellement définie par :
Ou yk(x) est la classification du kem classifieur et g(y,c) est une fonction indicateur définit par :
88 Classification du signal ECG, avec SMA neuronale |2012. Battement malade Agent Médecin J’ai quoi Tu es normal
Figure 4.6. Illustration d’un scenario entre agents.
Ainsi l’algorithme de classification est défini comme suit :
DÉBUT
Creer les RNN avec differentes architectures Apprendre les RNN
Creer les agents
Attribuer a chaque Agent un RNN Aleatoirement
POUR i = 1 JUSQU'À nombre de battements INCRÉMENT 1 FAIRE POUR j = 1 JUSQU'À nombre d'agents INCRÉMENT 1 FAIRE Agent j Donne diagnostique au battement i
Stocker le dans la mémoire du battement i FINPOUR
FINPOUR
POUR i = 1 JUSQU'À nombre de battements INCRÉMENT 1 FAIRE Calculer le type de battement i avec la methode de vote
FINPOUR
Evaluer les performances
FIN
Une fois le classifieur développé et implémenté, il est évalué de la même manière que les expérimentations menées dans le paragraphe précédent. Ainsi, l’évaluation de ce classifieur est faite dans une première étape, en exploitant chaque signal séparément de la base de données de test. Les résultats obtenus sont résumés sur le tableau (4.5). Dans une deuxième étape, l’évaluation est faite en exploitant tous les signaux de la base de test simultanément. Les résultats obtenus sont résumés sur le tableau (4.6).
Dans chaque cas ces résultats obtenus sont comparés à ceux obtenus par le réseau de neurone de type MLP implémenté respectivement en en utilisant les logiciels Weka et Tangara.
89 Classification du signal ECG, avec SMA neuronale |2012.
Tableau 4.5 Résultats de classification appliquée aux battements extraits de chaque signal a part sous notre clasifieur.
Signal MIT-BIH BA BT Notre classifieur TCC-Weka TCC-Tanagra
100 350 350 100% 100% 100% 116 368 368 100% 100% 100% 119 304 304 100% 100% 100% 124 240 240 100% 100% 100% 200 402 402 97.29% 97.01% 95.27% 201 358 358 97.20% 97.20 96.38% 210 404 404 99.25% 99.50% 98.27% 221 380 380 100% 100% 100% 223 362 362 94.76% 95.28% 95.55% 233 471 471 97.87% 97.60% 97.46%
Tableau 4.6. Résultats de classification appliquée aux battements extraits de tous les signaux sous notre classifieur.
Signal MIT-BIH BA BT Notre classifieur Weka Tanagra
100-116-119-124-200-201-210-221-223-233 947 947 98.73% 98.41% 98.31%
Ainsi, comme il peut être constaté sur le tableau (4.5), Un taux de classification variant de 94,76% à 100% est obtenu pour les différents signaux de la banque de données de test. Il est comparable, parfois légèrement meilleur à celui (variant de 95,28% à 100%) obtenu par le classifieur MLP en exploitant l’implémentation Weka. Cependant, il est meilleur que celui (variant de 95,27% à 100%) obtenu par le classifieur MLP en exploitant l’implémentation Tanagra. De même, sur le tableau (4.6), on peut constater que le taux de classification obtenu par le classifieur SMA est de 98.73%. Il est légèrement supérieur à celui obtenu par le classifieur MLP en exploitant respectivement les logiciels Weka (taux de 98.41%) et Tanagra (taux de 98.31%).
On peut ainsi conclure que l’approche multi-agents a permis une amélioration du taux de classification.
90 Classification du signal ECG, avec SMA neuronale |2012.